弱监督学习在非造影CT血管分割中的应用与优化

1. 项目背景与核心挑战

在医学影像分析领域，非造影CT图像中的血管结构分割一直是个棘手问题。不同于造影增强CT，这类图像缺乏明显的血管对比度，传统分割方法往往表现不佳。我在处理这类数据时发现，椭圆形的血管结构尤其难以准确识别——它们边缘模糊、灰度值与周围组织相近，手工标注既费时又容易产生主观偏差。

更麻烦的是，获取大量精准标注的训练数据成本极高。每个病例都需要放射科医生逐层勾画，一套完整的标注可能耗费数小时。这直接导致两个问题：一是标注数据稀缺，二是不同医师的标注标准难以统一。我们团队曾统计过，同一批数据由三位资深医师标注，血管边界位置的差异能达到3-5个像素，这对模型训练造成了显著干扰。

2. 技术方案设计思路

2.1 弱监督学习的破局点

面对标注数据匮乏的困境，我们转向弱监督学习方向。传统强监督需要像素级标注，而弱监督可以仅用图像级标签（如"包含血管"/"不包含血管"）或部分标注数据来训练模型。这个思路的关键在于：如何从有限标注中挖掘出足够的学习信号？

经过多次实验，我们发现高斯伪标签技术（Gaussian Pseudo Labeling）特别适合解决这个问题。它的核心思想是：用模型对未标注数据的预测结果作为"伪标签"，但这些标签不是直接使用，而是通过高斯分布进行概率化处理，从而降低错误标注的负面影响。

2.2 椭圆形血管的特殊处理

针对椭圆形血管结构，我们在网络设计中加入了两个关键模块：

1. 可变形卷积层：适应血管的几何变形
2. 各向异性高斯核：专门处理血管的长轴/短轴特征

在损失函数方面，采用加权Dice损失+边缘感知损失的组合。前者解决类别不平衡问题（血管像素占比通常不足5%），后者强化对血管边界的识别能力。具体公式如下：

code复制L_total = λ1*L_dice + λ2*L_edge + λ3*L_consistency

其中一致性损失L_consistency用于约束伪标签与模型预测的稳定性，这是避免错误累积的关键设计。

3. 实现细节与调优经验

3.1 数据预处理流水线

我们构建了一套自适应预处理流程：

1. 灰度归一化：采用3σ截断的窗宽窗位调整
2. 血管ROI提取：基于Hessian矩阵的Frangi滤波初筛
3. 弹性形变增强：模拟呼吸运动导致的血管形变

重要提示：Frangi滤波的β参数需要根据血管直径调整。对于直径3-5mm的椭圆形血管，我们最终确定β=0.5时效果最佳。

3.2 网络架构选择

在Backbone选择上，对比了UNet、UNet++和Attention UNet三种结构。实测发现：

• 标准UNet在小型数据集上容易过拟合
• UNet++的计算成本过高
• Attention UNet在参数量与性能间取得最佳平衡

最终采用的网络包含：

• 编码器：ResNet34前半部分（预训练权重）
• 解码器：自定义的渐进式上采样模块
• 注意力门：置于第3、4层跳跃连接处

3.3 伪标签生成策略

伪标签的质量直接影响模型性能。我们的改进方案包括：

1. 动态置信度阈值：初始设为0.9，随训练逐步降至0.7
2. 空间一致性约束：相邻切片的预测结果需满足平滑过渡
3. 高斯加权融合：对多次预测结果进行概率融合

具体实现时，每个epoch更新一次伪标签，但仅对置信度高于当前阈值且空间一致的预测进行更新。这有效避免了错误标签的传播。

4. 实战效果与问题排查

4.1 性能指标对比

在内部测试集（200例非造影CT）上的表现：

特别值得注意的是，在血管交叉和分叉区域，我们的方法比全监督UNet提升了约15%的准确率。

4.2 典型问题与解决方案

问题1：伪标签质量不稳定

• 现象：早期训练时模型预测波动大
• 解决方案：引入温度缩放(T=2)软化预测分布

问题2：小血管漏检

• 现象：直径<2mm的血管分割不连续
• 改进：在损失函数中增加小血管区域的权重系数

问题3：器官边缘误检

• 现象：肝脏等器官边缘被误判为血管
• 对策：在预处理阶段添加基于解剖位置的ROI mask

5. 关键参数调优记录

经过超参数搜索，最终确定的关键配置：

python复制training_params = {
    'initial_lr': 3e-4,
    'pseudo_label_update_freq': 1,  # 每个epoch更新
    'confidence_decay': 0.95,      # 置信度阈值衰减率
    'gaussian_kernel_size': (7,7), # 各向异性核尺寸
    'sigma_x': 3.0,                # 长轴方向σ
    'sigma_y': 1.5                 # 短轴方向σ 
}

这些参数中，σy的设置尤为关键。我们通过网格搜索发现，当σy/σx≈0.5时（对应血管的常见长宽比），分割效果达到最优。这与血管的解剖学特征高度吻合——椭圆形血管通常短轴直径是长轴的40-60%。